技术领域
[0001] 本申请涉及人工智能技术领域，特别是涉及一种用户问题的智能交互解答方法、装置和计算机设备。
相关背景技术
[0002] 随着对话型机器人的不断发展，大量企业逐渐引入对话型机器人为企业的客服、呼叫答复等功能提供了智能化、高效化的处理方式，而在传统的任务型多轮对话系统中，通过组合多个独立的模块（自然语言处理（NLU）、对话管理（DM）、对话生成（NLG））来构建对话系统，每一个模块需要多个模型来支撑，这种方法虽然在一定程度上能实现复杂的对话管理，但存在很多局限性导致交互效果难以大幅度提升。因此，如何提升对话型机器人的交互效果是当前的研究重点。
[0003] 传统的对话机器人系统一般需要搭建自然语言处理（NLU）、对话管理（DM）、对话生成（NLG）等多个模块，每一个模块由一个或多个模型训练得到，再组装到一起。但是该方式使得各个模块（NLU、DM、NLG）通常独立开发和优化，可能导致模块间的衔接不自然、而且系统庞大，模型复杂。需要为每个模块单独设计和优化，使得对话机器人系统的理解能力和交互流畅性较差，从而导致对用户问题的智能交互解答效果较差。
具体实施方式
[0061] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0062] 本申请实施例提供的用户问题的智能交互解答方法，可以应用于用户问题的智能交互解答的应用环境中。其中，该方法可以应用于终端，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、中型计算机等。其中，终端通过大模型对用户的问题信息的用户诉求内容、与用户筛选的当前任务内容进行相关性匹配，从而提取该用户的问题信息中，与当前任务内容相关的任务实体信息，并在实体信息未完成收集时，通过递进问题交互，从而进一步采集用各实体信息，以确保该当前任务内容相关的实体信息均完成采集，最后，终端再基于采集的各任务实体信息，生成用户的问题解答信息。避免了传统的多轮对话机器人的组件堆叠式的多模块架构，而是基于大模型实现自适应的多轮对话机器人及系统结构。不依赖传统机器学习模块，利用大模型完成所有对话交互，显著提升对话系统的语义理解和对话逻辑连贯性，提高机器人交互效果。从而有效提升了对用户问题的智能交互解答效果。
[0063] 在一个示例性的实施例中，如图1所示，提供了一种用户问题的智能交互解答方法，以该方法应用于终端为例进行说明，包括以下步骤S101至步骤S105。其中：
[0064] 步骤S101，获取用户的当前问题信息、以及用户的当前任务内容，并识别当前问题信息对应的用户诉求内容。
[0065] 本实施例中，终端响应于用户的问题勾选操作，获取用户的当前任务内容，其中，该当前任务内容为用户需要咨询、沟通的任务信息，例如，寿险报案、银行转账、保险咨询等任务信息，然后终端响应于用户的问题输入操作，获取用户的当前问题信息，其中，当前问题信息的输入方式包括但不限于是，语音输入、文本输入等输入方式。然后，终端识别当前问题信息对应的用户诉求内容。具体的识别过程后续将详细说明。
[0066] 步骤S102，识别用户的用户诉求内容、与用户的当前任务内容之间的相关性信息，并在相关性信息满足预设相关性条件的情况下，基于用户的用户诉求内容，提取当前任务内容的任务实体信息。
[0067] 本实施例中，终端识别用户的用户诉求内容、与用户的当前任务内容之间的相关性信息，并在相关性信息满足预设相关性条件的情况下，基于用户的用户诉求内容，提取当前任务内容的任务实体信息。其中，该预设相关性条件为该相关信息对应的相关值是否大于预设于终端的相关值阈值，在大于相关值阈值时，确定相关性信息满足预设相关性条件。具体的确定过程后续将详细说明，提取任务实体信息的方式为，基于如图2所示的LoRA技术原理的于预训练模型ChatGLM3‑6B（62亿参数）进行任务实体信息提取。其中，该模型在应用前需要先按照不同当前任务内容的样本信息进行训练。具体的训练过程为：
[0068] 1)准备数据：保险领域热线电话对话数据5w条。
[0069] 2)初始化模型：基于预训练模型ChatGLM3‑6B（62亿参数）的参数进行初始化，可以使用零初始化。
[0070] 3)模型构造：在ChatGLM3‑6B的顶部添加一个LoRA（Low‑Rank Adaptation，低秩自适应）层，通过优化该层的参数来对模型的输出进行微调。LoRA 的技术原理如图1，其核心思想是对模型原始矩阵分解为两个低秩矩阵，降维再升维，微调时固定预训练语言模型的参数，只需更新两个低秩矩阵A和B。模型输出时将 BA 与预训练语言模型的参数叠加。推理时， h=Wx+BAx=(W+BA)x，所以，矩阵乘积B和权重矩阵W加到一起作为新的权重。
[0071] 4)模型训练：基于准备的数据进行微调训练，部分模型参数设置如下：Lora秩参数为16（秩越大参数越多训练越慢），训练批次（epoch）设为30，batch size为32，训练过程执行的最大步数（max_steps）设为5000，训练完后保存模型。
[0072] 步骤S103，在当前任务内容的任务实体信息未收集完成时，生成用户的递进实体问题，并响应于用户的回复操作，采集递进实体问题的问题答复内容。
[0073] 本实施例中，终端当前任务内容的任务实体信息未收集完成时，生成用户的递进实体问题，并响应于用户的回复操作，采集递进实体问题的问题答复内容。其中，在每次收集当前任务内容好之后，终端判断任务实体信息是否已经收集完成，并在未完成收集时，基于未完成收集的任务实体信息对应的任务实体类型，生成该用户的递进实体问题，具体的生成过程后续将详细说明。其中，该任务实体信息的任务实体类型，例如，寿险报案任务需要收集出险人姓名、出险地址、报案人与出险人关系等实体槽位；转帐任务客户要提供收款人、转帐金额等。
[0074] 步骤S104，将问题答复内容，替换用户诉求内容，并返回执行基于用户的用户诉求内容，提取当前任务内容的任务实体信息步骤，直到当前任务内容的任务实体信息收集完成时，停止迭代过程。
[0075] 本实施例中，终端将问题答复内容，替换用户诉求内容，并返回执行基于用户的用户诉求内容，提取当前任务内容的任务实体信息步骤，直到当前任务内容的任务实体信息收集完成时，停止迭代过程。
[0076] 步骤S105，基于每次迭代得到的任务实体信息，通过当前任务内容对应的客户服务策略，生成用户的问题解答信息。
[0077] 本实施例中，终端基于每次迭代得到的任务实体信息，通过当前任务内容对应的客户服务策略，生成用户的问题解答信息。其中，客户服务策略中包括不同任务内容的各任务实体类型对应的任务实体数据范围对应的解答方案。具体的生成过程后续将详细说明。
[0078] 基于上述方案，通过大模型对用户的问题信息的用户诉求内容、与用户筛选的当前任务内容进行相关性匹配，从而提取该用户的问题信息中，与当前任务内容相关的任务实体信息，并在实体信息未完成收集时，通过递进问题交互，从而进一步采集用各实体信息，以确保该当前任务内容相关的实体信息均完成采集，最后，终端再基于采集的各任务实体信息，生成用户的问题解答信息。避免了传统的多轮对话机器人的组件堆叠式的多模块架构，而是基于大模型实现自适应的多轮对话机器人及系统结构。不依赖传统机器学习模块，利用大模型完成所有对话交互，显著提升对话系统的语义理解和对话逻辑连贯性，提高机器人交互效果。从而有效提升了对用户问题的智能交互解答效果。
[0079] 可选的，识别当前问题信息对应的用户诉求内容，包括：基于当前问题信息，通过语义识别网络，识别当前问题信息对应的问题语义内容；通过文本意图识别网络，识别问题语义内容对应的用户问题意图，并将用户问题意图，作为当前问题信息对应的用户诉求内容。
[0080] 本实施例中，终端基于当前问题信息，通过语义识别网络，识别当前问题信息对应的问题语义内容。其中，该语义识别网络为训练后的ChatGLM3‑6B（62亿参数）模型。然后，终端通过文本意图识别网络，识别问题语义内容对应的用户问题意图，并将用户问题意图，作为当前问题信息对应的用户诉求内容。其中，该文本意图识别网络为训练后的ChatGLM3‑6B（62亿参数）模型。
[0081] 基于上述方案，通过语义识别之后，在进行意图分析，提升了对用户意图分析的精准度。
[0082] 可选的，识别用户的用户诉求内容、与用户的当前任务内容之间的相关性信息，包括：基于用户的当前任务内容，通过关键词提取策略，提取当前任务内容的各提示词信息；基于各提示词信息、以及用户诉求内容，通过语义相似度识别网络，识别用户诉求内容、与各提示词信息之间的相似度值，并将用户诉求内容、与各提示词信息之间的相似度值，作为用户的用户诉求内容、与用户的当前任务内容之间的相关性信息。
[0083] 本实施例中，终端基于用户的当前任务内容，通过关键词提取策略，提取当前任务内容的各提示词信息。其中，关键词提取策略中，存储任务内容对应的关键词范围，然后，终端基于该用户的当前任务内容，在任务数据库中，查询该当前任务内容对应的关键词范围，得到各提示词信息。基于各提示词信息、以及用户诉求内容，通过语义相似度识别网络，识别用户诉求内容、与各提示词信息之间的相似度值，并将用户诉求内容、与各提示词信息之间的相似度值，作为用户的用户诉求内容、与用户的当前任务内容之间的相关性信息。其中、语义相似度识别网络为，基于训练后的ChatGLM3‑6B（62亿参数）模型进行语义相似度识别。
[0084] 基于上述方案，通过训练后的ChatGLM3‑6B（62亿参数）模型，从而分析用户诉求内容、与用户的当前任务内容之间的相关性信息，提升了分析的精准度和效率。
[0085] 可选的，在相关性信息满足预设相关性条件的情况下，基于用户的用户诉求内容，提取当前任务内容的任务实体信息，包括：基于用户诉求内容、与各提示词信息之间的相似度值，识别大于相似度阈值的相似度值对应的提示词信息的第一数目，并基于第一数目、以及所有提示词信息的总数目，计算用户诉求内容的相关值；在相关值大于相关值阈值时，确定相关性信息满足预设相关性条件，并通过当前任务内容对应的实体提取模型，对用户诉求内容进行实体信息提取处理，得到当前任务内容的任务实体信息。
[0086] 本实施例中，终端基于用户诉求内容、与各提示词信息之间的相似度值，识别大于相似度阈值的相似度值对应的提示词信息的第一数目，并将第一数目与所有提示词信息的总数目之间的比例值，作为该用户诉求内容的相关值。
[0087] 在相关值大于相关值阈值时，终端确定相关性信息满足预设相关性条件，并通过当前任务内容对应的实体提取模型，对用户诉求内容进行实体信息提取处理，得到当前任务内容的任务实体信息。在相关值不大于相关值阈值时，终端返回执行识别所述当前问题信息对应的用户诉求内容步骤，从而重新识别用户的诉求内容，以确保对用户的诉求内容的识别精准度。
[0088] 基于上述方案，通过预设相关性条件，从而确定提取用户诉求内容的标准，提升了对用户诉求内容的提取精准度，以及对用户实际的诉求内容的识别精准度。
[0089] 可选的，在当前任务内容的任务实体信息未收集完成时，生成用户的递进实体问题，包括：基于当前任务内容，在任务数据库中，查询当前任务内容对应的各任务实体类型，并识别当前任务内容的任务实体信息所包含的各当前任务实体类型；基于各当前任务实体类型，在各任务实体类型中，筛选没有实体内容的各缺失任务实体类型，并在各缺失任务实体类型中，随机筛选目标任务实体类型；在问题数据库中，筛选目标任务实体类型的问题内容，作为用户的递进实体问题。
[0090] 本实施例中，终端基于当前任务内容，在任务数据库中，查询当前任务内容对应的各任务实体类型，并识别当前任务内容的任务实体信息所包含的各当前任务实体类型。然后，终端基于各当前任务实体类型，在各任务实体类型中，筛选没有实体内容的各缺失任务实体类型，并在各缺失任务实体类型中，随机筛选目标任务实体类型。其中，随机筛选目标任务实体类型为每次随机筛选一个任务实体类型。然后，终端在问题数据库中，筛选目标任务实体类型的问题内容，作为用户的递进实体问题。其中，问题数据库中存储不同任务实体类型对应的问题内容，终端通过数据库查询的方式，查询每个目标任务实体类型对应的问题内容。
[0091] 基于上述方案，通过基于任务实体类型进行交互式问题生成，避免了多模块问题生成的低效、高成本问题，从而提升了问题生成效率。
[0092] 可选的，基于每次迭代得到的任务实体信息，通过当前任务内容对应的客户服务策略，生成用户的问题解答信息，包括：基于每次迭代得到的任务实体信息，识别各任务实体类型的实体内容信息；基于各任务实体类型的实体内容信息，识别各任务实体类型的任务实体数据，并基于各任务实体类型的任务实体数据，通过当前任务内容对应的客户服务策略，查询当前问题信息对应的各问题解答方案；将所有问题解答方案，作为用户的问题解答信息。
[0093] 本实施例中，终端基于每次迭代得到的任务实体信息，识别各任务实体类型的实体内容信息。然后，终端基于各任务实体类型的实体内容信息，识别各任务实体类型的任务实体数据，并基于各任务实体类型的任务实体数据，通过当前任务内容对应的客户服务策略，查询当前问题信息对应的各问题解答方案。其中，客户服务策略中包括每个任务实体类型的各任务实体数据范围对应的问题解答方案列表，然后，终端基于该用户的各任务实体类型的任务实体内容，在各任务实体数据范围中，识别该用户的各任务实体类型的对应的目标任务实体数据范围，并将各目标任务实体数据范围对应的问题解答方案列表，作为该用户的问题解答方案。最后，终端将所有问题解答方案，作为用户的问题解答信息。
[0094] 基于上述方案，通过各任务实体类型的任务实体数据，在问题解答方案中，适配该用户的问题解答方案，提升了问题解答方案的适配效率。
[0095] 本申请还提供了一种用户问题的智能交互解答示例，如图3所示，具体处理过程包括以下步骤：
[0096] 步骤S301，获取用户的当前问题信息、以及用户的当前任务内容。
[0097] 步骤S302，基于当前问题信息，通过语义识别网络，识别当前问题信息对应的问题语义内容。
[0098] 步骤S303，通过文本意图识别网络，识别问题语义内容对应的用户问题意图，并将用户问题意图，作为当前问题信息对应的用户诉求内容。
[0099] 步骤S304，基于用户的当前任务内容，通过关键词提取策略，提取当前任务内容的各提示词信息。
[0100] 步骤S305，基于各提示词信息、以及用户诉求内容，通过语义相似度识别网络，识别用户诉求内容、与各提示词信息之间的相似度值，并将用户诉求内容、与各提示词信息之间的相似度值，作为用户的用户诉求内容、与用户的当前任务内容之间的相关性信息。
[0101] 步骤S306，基于用户诉求内容、与各提示词信息之间的相似度值，识别大于相似度阈值的相似度值对应的提示词信息的第一数目，并基于第一数目、以及所有提示词信息的总数目，计算用户诉求内容的相关值。
[0102] 步骤S307，在相关值大于相关值阈值时，确定相关性信息满足预设相关性条件，并通过当前任务内容对应的实体提取模型，对用户诉求内容进行实体信息提取处理，得到当前任务内容的任务实体信息。
[0103] 步骤S308，基于当前任务内容，在任务数据库中，查询当前任务内容对应的各任务实体类型，并识别当前任务内容的任务实体信息所包含的各当前任务实体类型。
[0104] 步骤S309，基于各当前任务实体类型，在各任务实体类型中，筛选没有实体内容的各缺失任务实体类型，并在各缺失任务实体类型中，随机筛选目标任务实体类型。
[0105] 步骤S310，在问题数据库中，筛选目标任务实体类型的问题内容，作为用户的递进实体问题。
[0106] 步骤S311，响应于用户的回复操作，采集递进实体问题的问题答复内容。
[0107] 步骤S312，将问题答复内容，替换用户诉求内容，并返回执行基于用户的用户诉求内容，提取当前任务内容的任务实体信息步骤，直到当前任务内容的任务实体信息收集完成时，停止迭代过程。
[0108] 步骤S313，基于每次迭代得到的任务实体信息，识别各任务实体类型的实体内容信息。
[0109] 步骤S314，基于各任务实体类型的实体内容信息，识别各任务实体类型的任务实体数据，并基于各任务实体类型的任务实体数据，通过当前任务内容对应的客户服务策略，查询当前问题信息对应的各问题解答方案。
[0110] 步骤S315，将所有问题解答方案，作为用户的问题解答信息。
[0111] 应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0112] 基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的用户问题的智能交互解答方法的用户问题的智能交互解答装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个用户问题的智能交互解答装置实施例中的具体限定可以参见上文中对于用户问题的智能交互解答方法的限定，在此不再赘述。
[0113] 在一个示例性的实施例中，如图4所示，提供了一种用户问题的智能交互解答装置，包括：获取模块410、提取模块420、采集模块430、迭代模块440和生成模块450，其中：
[0114] 获取模块410，用于获取用户的当前问题信息、以及所述用户的当前任务内容，并识别所述当前问题信息对应的用户诉求内容；
[0115] 提取模块420，用于识别所述用户的用户诉求内容、与所述用户的当前任务内容之间的相关性信息，并在所述相关性信息满足预设相关性条件的情况下，基于所述用户的用户诉求内容，提取所述当前任务内容的任务实体信息；
[0116] 采集模块430，用于在所述当前任务内容的任务实体信息未收集完成时，生成所述用户的递进实体问题，并响应于用户的回复操作，采集所述递进实体问题的问题答复内容；
[0117] 迭代模块440，用于将所述问题答复内容，替换所述用户诉求内容，并返回执行基于所述用户的用户诉求内容，提取所述当前任务内容的任务实体信息步骤，直到所述当前任务内容的任务实体信息收集完成时，停止迭代过程；
[0118] 生成模块450，用于基于每次迭代得到的任务实体信息，通过所述当前任务内容对应的客户服务策略，生成所述用户的问题解答信息。
[0119] 可选的，所述获取模块410，具体用于：
[0120] 基于所述当前问题信息，通过语义识别网络，识别所述当前问题信息对应的问题语义内容；
[0121] 通过文本意图识别网络，识别所述问题语义内容对应的用户问题意图，并将所述用户问题意图，作为所述当前问题信息对应的用户诉求内容。
[0122] 可选的，所述提取模块420，具体用于：
[0123] 基于所述用户的当前任务内容，通过关键词提取策略，提取所述当前任务内容的各提示词信息；
[0124] 基于各所述提示词信息、以及所述用户诉求内容，通过语义相似度识别网络，识别所述用户诉求内容、与各所述提示词信息之间的相似度值，并将所述用户诉求内容、与各所述提示词信息之间的相似度值，作为所述用户的用户诉求内容、与所述用户的当前任务内容之间的相关性信息。
[0125] 可选的，所述提取模块420，具体用于：
[0126] 基于所述用户诉求内容、与各所述提示词信息之间的相似度值，识别大于相似度阈值的相似度值对应的提示词信息的第一数目，并基于所述第一数目、以及所有提示词信息的总数目，计算所述用户诉求内容的相关值；
[0127] 在所述相关值大于相关值阈值时，确定所述相关性信息满足预设相关性条件，并通过所述当前任务内容对应的实体提取模型，对所述用户诉求内容进行实体信息提取处理，得到所述当前任务内容的任务实体信息。
[0128] 可选的，所述采集模块430，具体用于：
[0129] 基于所述当前任务内容，在任务数据库中，查询所述当前任务内容对应的各任务实体类型，并识别所述当前任务内容的任务实体信息所包含的各当前任务实体类型；
[0130] 基于各所述当前任务实体类型，在各所述任务实体类型中，筛选没有实体内容的各缺失任务实体类型，并在各所述缺失任务实体类型中，随机筛选目标任务实体类型；
[0131] 在问题数据库中，筛选所述目标任务实体类型的问题内容，作为所述用户的递进实体问题。
[0132] 可选的，所述生成模块450，具体用于：
[0133] 基于每次迭代得到的任务实体信息，识别各所述任务实体类型的实体内容信息；
[0134] 基于各所述任务实体类型的实体内容信息，识别各所述任务实体类型的任务实体数据，并基于各所述任务实体类型的任务实体数据，通过所述当前任务内容对应的客户服务策略，查询所述当前问题信息对应的各问题解答方案；
[0135] 将所有问题解答方案，作为所述用户的问题解答信息。
[0136] 上述用户问题的智能交互解答装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0137] 在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种用户问题的智能交互解答方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0138] 本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0139] 在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现用户问题的智能交互解答方法的步骤。
[0140] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现用户问题的智能交互解答方法的步骤。
[0141] 在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现用户问题的智能交互解答方法的步骤。
[0142] 需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
[0143] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read‑Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0144] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0145] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
